Les désignatifs collectifs comme révélateur de tensions sociales : le cas de « nègre » et de « juif »
Bibliographic record
Abstract
Certains mots portent le lourd passé des faits ou des groupes qu’ils nomment ; « nègre » et « juif » sont indéniablement de ceux-là. L’analyse récente d’événements médiatiques au cours desquels ces deux mots ont été utilisés, ce qui a valu aux auteurs des sanctions populaires et institutionnelles, montre les risques à les utiliser. Dans le premier cas, c’est l’usage même du terme qui, en opposition avec son correspondant plus acceptable Noir, a été fortement décrié : dans un sketch qui se voulait humoristique lors d’une émission de télévision québécoise très grand public (Bye Bye 2008, diffusé le 31 décembre 2008 par Radio Canada), le terme « nègre » associé à des commentaires raciaux stéréotypés ont fait scandale. Dans le second, ce sont les inférences ethnotypiques qui ont causé problème : dans un billet d’humeur (Charlie Hebdo, 2 juillet 2008), le chroniqueur Siné a commenté le mariage de Jean Sarkozy, faisant d’après certains commentateurs ressortir l’équation « juif et argent ». Dans ce texte, nous analysons ces deux événements, c’est-à-dire les discours sources et les réactions qu’ils ont suscités, afin de comprendre comment se créent et se propagent dans une communauté les connotations péjoratives qui accablent les désignatifs ethniques ou raciaux. En filigrane, c’est toute la question de ce qui devient insultant qui est posée avec, d’un côté, le seuil de tolérance aux propos potentiellement vexatoires et de l’autre, l’ingéniosité à identifier des inférences ou des intentions à des propos qui ne le seraient pas nécessairement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.014 | 0.021 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".